加权对比哈希
计算机视觉与模式识别
2022-09-29 v1 信息检索
摘要
无监督哈希的发展受到近期流行的对比学习范式的推动。然而，先前基于对比学习的工作受限于（1）仅基于全局图像表征的数据相似性挖掘不足，以及（2）由数据增强引起的哈希码语义损失。本文中，我们提出一种新方法，即加权对比哈希（WCH），以朝解决这两个问题的方向迈进一步。我们引入一种新颖的互注意力模块，以缓解对比增强过程中因图像结构缺失导致的网络特征信息不对称问题。此外，我们探索图像间的细粒度语义关系，即我们将图像划分为多个块并计算块间相似度。反映深层图像关系的聚合加权相似度通过蒸馏损失被提炼以辅助哈希码学习，从而获得更好的检索性能。大量实验表明，所提 WCH 在三个基准数据集上显著优于现有的无监督哈希方法。
引用
@article{arxiv.2209.14099,
title = {Weighted Contrastive Hashing},
author = {Jiaguo Yu and Huming Qiu and Dubing Chen and Haofeng Zhang},
journal= {arXiv preprint arXiv:2209.14099},
year = {2022}
}